Los datos de series temporales del mundo real a menudo contienen valores faltantes debido a errores humanos, muestreo irregular o fallas imprevistas en el equipo. La capacidad de un método de interpolación computacional para reparar tales datos depende en gran medida de las características de la serie temporal en sí, como el número de tendencias periódicas y polinómicas y la estructura del ruido, así como la configuración particular de los valores faltantes. El paquete interpTools presenta un marco sistemático para analizar el rendimiento estadístico de un interpolador de series temporales a la luz de estas características de los datos. Su utilidad y características se demuestran a través de la evaluación de un algoritmo novedoso, el Interpolador Híbrido de Wiener.